A Multimodal Model To Quantify And Characterize Neuromotion Patterns Related With Parkinson Disease

Abstract

La enfermedad de Parkinson es el segundo trastorno neurológico más común, asociado con una deficiencia de dopamina que afecta principalmente la función motora. La evaluación clínica actual depende en gran medida de la experiencia de los especialistas, lo que conduce a diagnósticos subjetivos que pueden limitar tratamientos tempranos y efectivos. A pesar de las propuestas computacionales para apoyar el diagnóstico, el problema de investigación sigue abierto debido a la alta variabilidad de los síntomas, el conjunto limitado de observaciones y el uso de modalidades individuales. Además, la caracterización y estratificación de las observaciones relacionadas con el Parkinson aún presentan desafíos significativos. En esta tesis, se propuso un enfoque geométrico multimodal para apoyar el diagnóstico a partir de observaciones oculomotoras y de marcha, proporcionando una clasificación multimodal de pacientes con Parkinson. Siguiendo una lógica progresiva, en una primera aproximación, las observaciones en video se codificaron como matrices de covarianza y se resumieron utilizando la media geométrica Riemanniana como descriptor de video. Este enfoque fue evaluado con 26 pacientes (78 videos), reportando un 96% de precisión para fusiones temprana y tardía. A continuación, se diseñó una segunda aproximación en forma de una red multimodal Riemanniana capaz de aprender patrones de segundo orden, alcanzando un 96% de precisión para fusiones temprana e intermedia, y un 92% para fusión tardía en una cohorte de 32 pacientes (512 videos), superando a los enfoques unimodales. En tercer lugar, se propuso una representación geométrica multimodal Riemanniana de extremo a extremo para clasificar afectaciones motoras clave, proporcionando apoyo a las escalas de estratificación de la enfermedad. Este método se evaluó en una cohorte de 32 pacientes (512 videos), demostrando capacidades para clasificar bradicinesia ocular (93% de precisión), bradicinesia durante la marcha (90% de precisión), freezing de la marcha (83% de precisión) y otros ítems de las escalas. El trabajo desarrollado demostró que construir y aprender descriptores geométricos multimodales puede ser efectivo en escenarios con datos limitados, contribuyendo al apoyo diagnóstico de la enfermedad de Parkinson. Además, los hallazgos destacan la necesidad de enfoques multimodales para abordar la naturaleza multifactorial y la alta variabilidad sintomática de la enfermedad.